ErGAN: 实体消解的生成式对抗网络
本文提出了一种名为 EL-GAN 的基于生成对抗网络的语义分割框架,通过嵌入损失降低了后处理的复杂度和提高了训练稳定性,应用于 TuSimple 车道线数据集上,效果优于传统方法并达到 96% 以上的准确率。
Jun, 2018
该研究通过提出 ESRGAN,改进了 SRGAN 的网络架构、对抗损失和感知损失三个关键部分。ESRGAN 获得了 PIRM2018-SR 挑战的第一名,并取得了比 SRGAN 更好的视觉质量和更真实、更自然的纹理。
Sep, 2018
介绍了一种名为 “能量基生成对抗网络”(EBGAN)的模型,将判别器视为能量函数,用于选定数据流形附近区域的低能量和其他区域的高能量,可以使用多种体系结构和损失函数,本文采用自编码器架构,以重构误差作为能量,实现了高分辨率图像的生成。
Sep, 2016
本文提出了一种新的 GAN 框架,名为进化生成对抗网络 (E-GAN),该框架使用不同的对抗训练目标作为突变操作,通过进化一群生成器来适应环境 (判别器) 以实现稳定的 GAN 训练和改进的生成能力,并利用评估机制来衡量生成样本的质量和多样性,从而始终保留最佳基因用于进一步的训练,从而提高了 GAN 的整体训练效果和生成性能。
Mar, 2018
提出一个基于对抗生成网络的新模型 RegGAN,该模型可以在生成样本的同时训练三个网络 —— 一个生成器和两个判别器,以便从与训练集概率分布不同的概率分布中生成样本,并可用于学习拓扑学中的某些先验概念。
Feb, 2021
本文提出了一种基于 GAN 的无监督图像增强模型 (UEGAN),利用调制机制和质量损失函数增强图像的视觉质量,消除专业照片编辑造成的风格化问题。我们的质量和定量实验验证了我们的模型的有效性。
Dec, 2020
本论文提出了一种新的 GAN 框架,即指导生成神经网络(GGAN),旨在解决无监督表征学习模型在忽略后续使用情况时可能出现的泛化能力问题,在少量标记数据的指导下,GGAN 可以学习更好的表示。
Mar, 2020
本教程讨论了 GAN 技术及其在不同信息检索场景下的离散数据拟合的变体,着重介绍了 IRGAN 的基本 GAN 框架和直接应用在信息检索中拟合单个 ID 数据分布,以及 GAN 在生成文本和图形数据等方面的解决方案,并介绍了 IRGAN 和 Texygen 等相关开源平台来帮助研究者进行有关 GAN 的信息检索实验,最后对 GAN 在信息检索中未来研究方向进行了综合总结和展望。
Jun, 2018
本研究探讨了一种名为 SGAN 的备选训练方法,通过该方法,多个对抗的 “本地” 网络对可独立进行训练,以便 “全局” 监督网络可以针对它们进行训练,以提高模式覆盖性能。实验结果表明,该方法在减轻模式崩溃、稳定收敛和加速收敛方面都表现出优于标准训练的性能。
Dec, 2017
本研究提出了一种名为 LGGAN 的有标签图生成对抗网络,用于训练基于节点标签的图结构数据的深度生成模型,并在各种类型的图数据集上进行了测试,其结果表明我们的模型可以生成符合训练数据的结构特征的多样化的标记图,并优于所有另一种方法的质量和普适性。此外,经过下游任务进行的生成图的质量评价,结果表明 LGGAN 可以忠实地捕捉图结构的重要方面。
Jun, 2019